Neyron tarmoq asoslari va uni chuqur o'rganish

Дао глубокого обучения

Сейчас по поводу глубокого обучения много шумихи и ажиотажа, хотя кое-что

0. 
   оправдано. Но, по существу, глубокое обучение по-прежнему пытается отве-тить на фундаментальные вопросы машинного обучения типа «Является ли это лицом?». Разница в том, что глубокое обучение переняло методики нейронных сетей предыдущего поколения и добавило к ним автоматизированное конструи­ рование признаков, чтобы было проще отвечать на вычислительно трудные во-просы о данных сложной структуры.
   

На практике лучший способ воспользоваться этой мощью состоит в том, чтобы подобрать архитектуру сети, отвечающую входным данным. Если это получит-ся, то вы сможете с успехом применить глубокое обучение новыми интересными способами. Если нет, то не получите ничего сверх базовых методов моделирова-ния типа логистической регрессии. Задача этой книги – вооружить вас навыками

0. 
   знаниями, необходимыми для принятия таких решений и правильного приме-нения глубокого обучения.
   

Как организована эта глава

Эта глава базируется на материале главы 1, но мы детальнее рассмотрим кон-кретные архитектуры глубоких сетей. Мы покажем, чем отличаются архитектуры,

0. 
   опишем, почему конкретная архитектура больше подходит для извлечения при-знаков из данных определенного вида. И в заключение главы поделимся замеча-ниями о практическом использовании глубокого обучения и развеем некоторые нынешние заблуждения об этой области знаний.
   

Общие архитектурные принципы глубоких сетей

Прежде чем переходить к конкретным архитектурам основных глубоких сетей, расширим свои знания о базовых компонентах. Сначала мы более пристально рассмотрим те компоненты, о которых уже знаем:

 параметры;


 слои;